Reti neurali per la classificazione automatica dei reperti archeologici.

Abstract

L'obiettivo della tesi è finalizzato a sperimentare le prestazioni di una rete neurale in campo archeologico: l' Informatica, con tutti i suoi strumenti, è in grado di affiancare ed agevolare il lavoro dell' umanista innovando la metodologia della ricerca, aumentando la capacità di conservazione dei dati e facilitando il reperimento delle informazioni. Lo scopo dell'elaborato è pertanto indirizzato al riconoscimento automatico di reperti ceramici prendendo in considerazione, come parametro distintivo, esclusivamente la tipologia decorativa: le classi ceramiche si suddividono in graffita e smaltata. La rete neurale artificiale applicata,al fine di classificare automaticamente i reperti, è una forma di I.A mutuata dalla biologia e sua principale capacità è l'apprendimento automatico. Indispensabili, per la riuscita dell'esperimento, sono le immagini del materiale archeologico di cui 80% corrisponde al training set, ovvero l'insieme dei dati utilizzati per addestrare il sistema, mentre il rimanente 20% costituisce il test set, sul quale viene valutato il livello di attendibilità dell'apprendimento automatico. Nella tesi il livello di affidabilità è dell'84,3%.

The aim of the thesis is to test the performance of a neural network in the archaeological field: Computer Science, whith all its tools, is able to support and facilitate the work of the humanist innovating the methodology of research, increasing the storage capacity of data and facilitating the retrieval of information. The purpose of the paper is therefore addressed to the automatic recognition of ceramic finds taking into consideration as distinctive parameter, exclusively, the decorative type: the ceramic classes are divided into "sgraffito ware" and " glazed pottery". The artificial neural network , applied in order to automatically classify findings, is a form of A. I borrowed from biology and its main ability is machine learning. Indispensable, for the success of the experiment, are the images of the archaeological material of wich 80% corresponds to the training set, or the set of data used to train the system, while the remaining 20% constitutes the test set, on wich the level of reliability of machine learning is avaluated. In the thesis the estimated level of reliability is of 84,3%.